Chương 4 Mô hình k láng giềng gần nhất sử dụng bộ lượng tử hóa
4.3. Mơ hình bài tốn
Trong phần (4.2), khóa luận trình bày hệ thống tìm kiếm k láng giềng gần nhất sử
dụng tính k ảng cách bất đối xứng trong ho danh sách chỉ mục ngược (IVFADC) của
Hervé Jégou và cộng sự [12]. Mô hình bài tốn được xây dựng dựa trên cách tính tốn
khoảng cách bất đối xứng ủa hệ thống n c ày kết hợp với độ đo tương đồng về khoảng
cách giữa các vector đặc trưng.
4.3.1. Trích chọn đặc trưng ảnh
Đặc trưng cục bộ bất biến SIFT ất biến với việc thay đổi tỉ lệ ảnh, quay ảnh, b
đơi khi là thay đổi điểm nhìn và thêm nhiễu ảnh hay thay đổi cường độ chiếu sáng của ảnh. Các đặc trưng SIFT này thường được sử dụng trong nhận dạng và tìm kiếm đối tượng[17] Yushi Jing cũng đã dùng đặc trưng SIFT của ảnh trong nghiên cứu về tìm
kiếm ảnh sản phẩm ử dụng phương pháp PageRank[30 s ].
Khóa luận sử dụng đặc trưng SIFT trong bài toán tìm kiếm K láng giềng gần
nhất và ứng dụng trong tìm kiếm ảnh sản phẩm. Mỗi ảnh được được đặc trưng bởi các
vector đặc trưng SIFT 128 chiều.
Quá trình và phương pháp trích chọn các đặc trưng SIFT này đ được khóa luận ã
34
4.3.2. Tìm kiếm K láng giềng gần nhất
Sau khi trích chọn đặc trưng ảnh, khóa luận đưa ra mơ hình tìm kiếm k láng
giềng gần nhất ựa trên đặc trưng vừa trích chọn được. d Mơ hình này dựa trên phương
pháp tìm kiếm k láng giềng gần nhất sử dụng bộ lượng tử hóa của Hervé Jégou sử
dụng phương pháp ADC và kết hợp thêm độ đo về khoảng cách Ơclit giữa các vector
đặc trưng.
Mơ hình giải quyết bài tốn :
Hình 15. Mơ hình giải quyết bài tốn
Mơ hình bài tốn gồm 2 giai đoạn chính
Giai đoạn 1-Tìm N ảnh tương đồng với ảnh truy vấn : Giai đoạn này tiến hành việc trích chọn các vector đặc trưng của ảnh truy vấn v ảnh trong cơ sở dữ liệu (vector đặc à
35
dữ liệu theo phương pháp tìm kiếm sử dụng bộ lượng tử hóa với phương pháp tính tốn khoảng cách bất đối xứng được trình bày trong phần 4.2. Các vector trong cơ sở
dữ liệu được lượng tử hóa trong khi tập vector truy vấn được giữ nguyên. Khoảng cách
giữa các vector truy vấn và vector trong cơ sở dữ liệu được tính theo cơng thức (30). Tập ảnh tương đồng nhất được trả về theo độ đo N khoảng cách giữa các vector truy vấn và các vector cơ sở dữ liệu. Tập N ảnh này là đầu vào cho giai đoạn 2.
Giai đoạn 2 –Tìm K láng giềng gần nhất với ảnh truy vấn: Sau khi tiến hành trích chọn các đặc trưn ừ tập N ảnh tương đồng trả về từ giai đoạn 1 ẽ tính tốn độ tương g t , s
đồng giữa ảnh truy vấn và từng ảnh trả về ựa trên độ đo Ơclit d giữa các vector đặc
trưng của ảnh. Khoảng cách Ơclit ữa 2 vector đặc trưng gi x và y được tính :
2 1 ( , ) n i i i d x y x y (34)
Tập K láng giềng gần nhất với ảnh truy vấn được trả về dựa trên độ đo tương đồng này. Ảnh gần nhất l ảnh có độ à khoảng cách ữa các vector đặc trưng với ảnh truy gi vấn ngắn nhất.
Tổng kết chương 4
Chương 4 khóa luận đã trình bày phương pháp tìm kiếm k láng giềng gần nhất sử dụng lượng tử hóa của Hervé Jégou và cộng sự [12], đồng thời đưa ra mơ hình bài tốn
tìm kiếm k láng giềng gần nhất dựa theo mơ hình trên sử dụng phương pháp tính
khoảng cách bất đối xứng (ADC) ết hợp với độ đo tương đồng về khoảng cách giữa k
các vector đặc trưng. Trong chương 5, khóa luận trình bày mơ hình thử nghiệm bài toán, các kết quả đạt được và những nhận xét, đánh giá về kết quả thực nghiệm.
36